CN115758212B - 一种基于并行网络和迁移学习的机械设备故障诊断方法 - Google Patents
一种基于并行网络和迁移学习的机械设备故障诊断方法 Download PDFInfo
- Publication number
- CN115758212B CN115758212B CN202211408395.XA CN202211408395A CN115758212B CN 115758212 B CN115758212 B CN 115758212B CN 202211408395 A CN202211408395 A CN 202211408395A CN 115758212 B CN115758212 B CN 115758212B
- Authority
- CN
- China
- Prior art keywords
- network
- fault diagnosis
- mechanical equipment
- training
- parallel network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于并行网络和迁移学习的机械设备故障诊断方法，其内容包括：采用连续小波变换的方法将机械设备原始振动信号变换为二维时频图，并行网络中的上层网络采用Inception‑Resnet‑v2提取时频图特征，下层网络采用长短时记忆神经网络提取原始振动信号的时序特征；上下层网络分别采用卷积注意力模块和自注意力机制对各自所提取的特征进行权重分配，筛选关键特征；融合以上特征，并通过Softmax层进行故障分类识别；利用源域带标签样本数据进行上述操作，完成预训练模型；冻结预训练模型卷积层参数，以少量目标域带标签数据样本对网络模型进行参数微调，实现变工况、小样本故障诊断。
Description
技术领域
本发明涉及机械设备故障诊断领域，具体而言，涉及一种基于并行网络和迁移学习的机械设备故障诊断方法。
背景技术
机械设备在现代工业中起到无可替代的作用，随着机械设备的复杂化，精密化发展，对其进行监测和管理难度大大提升，机械设备一旦发生故障，轻则导致工厂停产造成经济损失，重则引起灾难性事故，威胁生命安全。
近年来，深度学习广泛应用于故障诊断领域，其具有自动提取特征的特点，避免了传统故障诊断方法过于依赖领域专家先验知识的缺陷。现有深度学习故障诊断方法仅针对单一输入对象进行特征提取，即以时序信号或信号转换的时频图为输入，仅以一维时域信号作为输入时，缺少频域信息，无法全面反映设备状态信息；而以二维图像作为输入时，会丢失原始信号作为时序在时间维度上蕴含的信息。
深度学习在机械设备故障诊断领域仍另有缺陷，即需要大量设备运行状态数据，包括正常和故障状态，设备在运行过程中长期处于正常运行状态，故障数据少之又少，这将导致深度学习诊断精度大打折扣；设备在实际工程中负载也并非恒定不变，负载的变化将导致分布变化，产生明显的域位移现象，若每次面对分布变化则重新采集数据并且训练不同的网络模型，需耗费巨大的成本。因此，为了避免由于机械设备故障引起的安全事故，提高生产效率和经济效益，研究一种有效的机械设备故障诊断方法是具有重要的现实意义的。
发明内容
本发明为克服现有技术的不足，解决当前单一输入对象，存在特征信息易丢失的问题，以及样本稀少，工况发生变化产生域位移现象，诊断模型精度下降，难以复用的问题，本发明提出一种基于并行网络和迁移学习的故障诊断方法，从而为故障诊断提供科学依据，为生产安全提供可靠支撑。
实现本发明目的的技术解决方案为：一种基于并行网络和迁移学习的机械设备故障诊断方法，包括以下步骤：
步骤一：根据机械设备在某一恒定工况下的振动信号，并利用连续小波变换的方法获取振动信号时频图，制作源域数据集；
步骤二：构建并行网络，其中上下层网络分别采用Inception-Resnet-v2和长短时记忆（Long Short Term Memory，LSTM）神经网络，并且通过上层网络提取振动信号时频图二维特征，通过下层网络提取原始振动信号时序特征；
步骤三：引入注意力机制，分配特征权重。上层Inception-Resnet-v2网络采用卷积注意力模块；下层长短期记忆网络采用自注意力机制。
步骤四：融合上述并行网络提取的特征，通过分类层完成故障分类识别，完成并行网络预训练。
步骤五：采集不同工况下的设备振动信号，并利用连续小波变换的方法获取振动信号时频图，制作目标域数据集。
步骤六：通过迁移学习的方法，冻结预训练模型卷积层参数，以少量目标域带标签数据对预训练模型进行参数微调，完成小样本、变工况故障诊断模型训练。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤一中，通过传感器采集到的设备振动信号数据和转换获取的二维时频图同时保存为源域数据集，分别作为并行网络两个通道的输入。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤二中，通过Inception-Resnet-v2提取振动信号时频图二维特征。其中，Inception-Resnet-v2网络是由Christian Szegedy等在2017年第三十一届AAAI人工智能会议上提出的一种网络结构，该网络是由多个Inception-Resnet模块、Stem模块、Reduction模块、Dropout层和下采样层组成。其卷积层包含了多个通道，每个通道由不同尺度和深度的卷积核组成，通过残差结构和张量连接，兼顾网络宽度和深度。为加快网络训练速度，以IMAGE数据集训练的Inception-Resnet-v2网络参数为初始参数。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤三中，在并行网络上层引入卷积注意力模块实现特征权重分配，上层网络Inception-Resnet-v2所提取的特征图先通过该模块的通道注意力模块计算通道注意力权重，特征图与通道注意力权重相乘作为空间注意力模块输入求取空间注意力权重，最后空间注意力权重与空间注意力模块相乘得到权重分配后的输出特征图。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤三中，在并行网络下层引入自注意力机制，该机制将输入特征扩展到三个特征矩阵，分别为查询，键和值，计算查询和键的相关性获取权重，通过Softmax函数进行归一化，最后与值矩阵加权求和得到输出特征。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤四中，通过源域预训练集完成模型预训练，再以测试集验证网络是否产生过拟合等现象和网络故障诊断是否准确，若满足条件则保存网络参数，否则返回模型训练过程，继续调整网络。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤六中，通过参数迁移和微调的方法完成机械设备变工况下的诊断模型训练，将少量带标签的目标域数据输入到预训练并行网络模型中，输出分类状态，根据网络输出和理想输出计算分类损失，并反向传播更新网络参数，完成变工况故障诊断模型搭建。
本发明的有益效果是：与现有的故障诊断方法相比，本发明采用双通道双输入的Inception-Resnet-v2-LSTM并行网络提取特征，既提取了二维图像特征，又保留了原始信号的时序特征，实现了多维度多尺度的特征信息提取，并且引入注意力机制进行快速有效的特征筛选，最后通过迁移学习参数微调的方法，提高网络模型泛化性，使其适用于小样本、变工况设备故障诊断。该发明成果可为机械设备故障诊断提供可靠的技术支撑，对于提高生产安全性，保护人民生命财产是有十分重要的意义的。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。
图1是本发明的分析流程图；
图2是本发明的并行网络结构示意图；
图3是本发明方法在四种工况下与其它三种网络模型故障诊断精度对比图；
图4是本发明方法引入迁移学习前后在变工况下的诊断精度对比图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的实施案例和附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1，一种基于并行网络和迁移学习的机械设备故障诊断方法，包括步骤如下：
步骤一：根据机械设备在某一恒定工况下的振动信号，并利用连续小波变换的方法获取振动信号时频图，制作源域数据集；
步骤二：构建并行网络，其中上下层网络分别采用Inception-Resnet-v2和长短时记忆神经网络，并且通过上层网络提取振动信号时频图二维特征，通过下层网络提取原始振动信号时序特征，并行网络整体结构如图2所示，其中Xt为t时刻输入；ht为t时刻输出；
步骤三：引入注意力机制，分配特征权重。上层Inception-Resnet-v2网络采用卷积注意力模块；下层LSTM网络采用自注意力机制。
步骤四：融合上述并行网络提取的特征，通过分类层完成故障分类识别，完成并行网络预训练。
步骤五：采集不同工况下的设备振动信号，并利用连续小波变换的方法获取振动信号时频图，制作目标域数据集。
步骤六：通过迁移学习的方法，冻结预训练模型卷积层参数，以少量目标域带标签数据对预训练模型进行参数微调，完成小样本、变工况故障诊断模型训练。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤一中，通过传感器采集到的设备振动信号数据和转换获取的二维时频图同时保存为源域数据集，分别作为并行网络两个通道的输入。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤二中，通过Inception-Resnet-v2提取振动信号时频图二维特征，该网络由多个Incepion-Resnet模块、Stem模块、Reduction模块、Dropout层和下采样层组成。其卷积层包含了多个通道，每个通道由不同尺度和深度的卷积核组成，通过残差结构和张量连接，兼顾网络宽度和深度。为加快网络训练速度，以IMAGE数据集训练的Inception-Resnet-v2网络参数为初始参数。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤二中，所述的长短时记忆神经网络作为一种改进的递归神经网络，增加了输入门、遗忘门和输出门等机制，有效提取时序特征并且解决了梯度消失或梯度爆炸的问题。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤三中，在并行网络上层引入卷积注意力模块实现特征权重分配，上层网络Inception-Resnet-v2所提取的特征图先通过该模块的通道注意力模块计算通道注意力权重，特征图与通道注意力权重相乘作为空间注意力模块输入求取空间注意力权重，最后空间注意力权重与空间注意力模块相乘得到权重分配后的输出特征图。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤三中，在并行网络下层引入自注意力机制，该机制将输入特征扩展到三个特征矩阵，分别为查询，键和值，计算查询和键的相关性获取权重，通过Softmax函数进行归一化，最后与值矩阵加权求和得到输出特征。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤四中，通过源域预训练集完成模型预训练，再以测试集验证网络是否产生过拟合等现象和网络故障诊断是否准确，若满足条件则保存网络参数，否则返回模型训练过程，继续调整网络。
进一步的，所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，步骤六中，通过参数迁移和微调的方法完成机械设备变工况下的诊断模型训练，将少量带标签的目标域数据输入到预训练并行网络模型中，输出分类状态，根据网络输出和理想输出计算分类损失，并反向传播更新网络参数，完成变工况故障诊断模型搭建。
下面以具体故障诊断实例对本发明方法进行说明。
实施例一：
本发明中训练数据集和测试数据集是根据凯斯西储大学提供的驱动端SKF6205轴承数据集制作而成，基于12kHz的采样频率对4种不同工况负载下的轴承振动信号进行采样，每种工况下存在正常状态和3种故障类型，故障类型分为：外圈故障、内圈故障和滚动体故障，每种故障类型又包含三种故障尺寸：0.007inch、0.014inch、0.021inch（1inch=2.54cm），总共十种状态分类，具体实施过程如下：
（1）以负载为0hp的数据集制作源域数据集，命名为A数据集，对该工况下的振动数据进行滑窗截取，每个信号样本长度为2048，利用连续小波变换获取每个信号样本对应的时频图样本，同时保存信号样本和时频图样本作为源域数据集。源域数据集包括1200组信号和时频图样本，其中每个状态类型有120组数据，以3：1的比例将数据集分为预训练集和验证集。
（2）构建并行网络，以IMAGE数据集训练的Inception-Resnet-v2网络参数为并行网络中上层网络Inception-Resnet-v2的初始参数，设置LSTM相关参数，隐含层层数为1，输入和输出均为2048维，整体网络学习率为0.0001，批次大小设置为6，迭代次数为50，全连接层输入为并行网络提取后的特征融合数（2048+1536），输出为1000，最后连接Softmax层，输出维度为10，对应10种状态分类。
（3）上层网络引入卷积注意力模块，下层网络引入自注意力机制，通过迭代反向传播更新注意力机制参数。
（4） 将源域数据集的预训练集输入至Inception-Resnet-v2-LSTM并行网络中，完成网络在该工况下的训练，并且通过测试集验证网络是否过拟合，若没有，则保存网络参数，否则返回网络训练阶段，完成网络调整直至网络合理和诊断精度准确。
（5）以另外三种工况1hp、2hp和3hp负载下的数据集制作3个目标域数据集，命名B、C和D数据集，具体如步骤1所述，为不产生混淆和验证网络模型在小样本下的故障诊断精度，目标域中预训练集更名为训练集，训练集进行裁剪截取，随机采取其中的36组用作网络训练，测试集不变。
（6）冻结上述网络模型部分参数，其中包括上层网络Inception-Resnet-v2卷积层参数和LSTM隐含层参数，以B、C和D数据集为目标域数据集，通过每个数据集少量带标签数据对网络模型进行参数微调，以剩余数据验证迁移模型的诊断精度。
为体现本发明的优势，分别采用Inception-Resnet-v2（网络-1）、一维卷积神经网络和长短时记忆神经网络结合的网络模型（网络-2）、串联Inception-Resnet-v2-LSTM（网络-3）、并行Inception-Resnet-v2-LSTM（网络-4）、以及加入迁移学习的并行Inception-Resnet-v2-LSTM（网络-5）进行故障诊断。
如图3所示，本发明所提出的Inception-Resnet-v2-LSTM并行网络模型在4种不同工况下准确率均高于其余模型，相比Inception-Resnet-v2模型，准确率有明显提升，验证了加入LSTM网络提取时序特征的有效性；对比串联Inception-Resnet-v2-LSTM模型，证明了并行网络结构更适用于故障诊断，准确率更高；对比一维卷积神经网络和长短时记忆神经网络结合的网络模型，验证了本文所提方法在信息挖掘上的优越性，多维信息的融合更有利于故障诊断。
如图4所示为本发明所提方法在加入迁移学习前后变工况诊断精度对比图，由图中可看出，没有加入迁移学习的网络模型变工况下故障诊断精度发生下降，当负载发生较大变化时，例如由A数据集训练的网络模型用于D数据集故障诊断，下降尤为明显，加入迁移学习后诊断精度有了明显提升，也验证了迁移学习一定程度缓解域位移造成的诊断精度下降，提高了网络泛化性和鲁棒性。
综上所述，本实例采用基于并行网络和迁移学习的故障诊断方法能够有效进行变工况下的故障识别分类，适用于实际工程中的故障诊断，对于保障生产安全具有十分重要的意义。
Claims (7)
1.一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，包括以下步骤：
步骤一：根据机械设备在某一恒定工况下的振动信号，利用连续小波变换的方法获取振动信号时频图，制作源域数据集；
步骤二：构建双通道双输入的并行网络，其中上下层网络分别采用Inception-Resnet-v2和长短时记忆神经网络，通过上层网络提取振动信号时频图二维特征，通过下层网络提取原始振动信号时序特征；
步骤三：引入注意力机制，分配特征权重；
上层Inception-Resnet-v2网络采用卷积注意力模块；下层长短时记忆神经网络采用自注意力机制；
步骤四：融合上述并行网络提取的特征，通过分类层完成故障分类识别，完成并行网络预训练；
步骤五：采集不同工况下的设备振动信号，并利用连续小波变换的方法获取振动信号时频图，制作目标域数据集；
步骤六：通过迁移学习的方法，冻结预训练模型卷积层参数，以少量目标域带标签数据对预训练模型进行参数微调，完成小样本、变工况故障诊断模型训练。
2.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤一中，通过传感器采集到的设备振动信号数据和转换获取的二维时频图同时保存为源域数据集，分别作为并行网络两个通道的输入。
3.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤二中，通过Inception-Resnet-v2提取振动信号时频图二维特征，该网络由多个Incepion-Resnet模块、Stem模块、Reduction模块、Dropout层和下采样层组成；
其卷积层包含了多个通道，每个通道由不同尺度和深度的卷积核组成，通过残差结构和张量连接，兼顾网络宽度和深度；
为加快网络训练速度，以IMAGE数据集训练的Inception-Resnet-v2网络参数为初始参数。
4.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤三中，在并行网络上层引入卷积注意力模块实现特征权重分配，上层网络Inception-Resnet-v2所提取的特征图先通过该模块的通道注意力模块计算通道注意力权重，特征图与通道注意力权重相乘作为空间注意力模块输入求取空间注意力权重，最后空间注意力权重与空间注意力模块相乘得到权重分配后的输出特征图。
5.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤三中，在并行网络下层引入自注意力机制，该机制将输入特征扩展到三个特征矩阵，分别为查询、键和值，计算查询和键的相关性获取权重，通过Softmax函数进行归一化，最后与值矩阵加权求和得到输出特征。
6.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤四中，通过源域预训练集完成模型预训练，再以测试集验证网络是否产生过拟合现象和网络故障诊断是否准确，若满足条件则保存网络参数，否则返回模型训练过程，继续调整网络。
7.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤六中，通过参数迁移和微调的方法完成机械设备变工况下的诊断模型训练，将少量带标签的目标域数据输入到预训练并行网络模型中，输出分类状态，根据网络输出和理想输出计算分类损失，并反向传播更新网络参数，完成变工况故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408395.XA CN115758212B (zh) | 2022-11-10 | 2022-11-10 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408395.XA CN115758212B (zh) | 2022-11-10 | 2022-11-10 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115758212A CN115758212A (zh) | 2023-03-07 |
| CN115758212B true CN115758212B (zh) | 2023-04-21 |
Family
ID=85369280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211408395.XA Active CN115758212B (zh) | 2022-11-10 | 2022-11-10 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115758212B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116049725B (zh) * | 2023-03-29 | 2023-12-29 | 淄博热力有限公司 | 基于改进深度学习分类模型的旋转机械故障诊断方法 |
| CN116186641A (zh) * | 2023-04-26 | 2023-05-30 | 四川轻化工大学 | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 |
| CN116223075B (zh) * | 2023-05-05 | 2023-08-11 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动稳定性检测系统及方法 |
| CN116434777B (zh) * | 2023-06-09 | 2023-10-20 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
| CN116842385B (zh) * | 2023-06-30 | 2024-03-19 | 南京理工大学 | 一种基于履带车振动特征的lstm路面不平度识别方法 |
| CN117152548B (zh) * | 2023-11-01 | 2024-01-30 | 山东理工大学 | 一种抽油机井实测电功图工况识别方法及系统 |
| CN117235583B (zh) * | 2023-11-13 | 2024-01-30 | 国网浙江省电力有限公司双创中心 | 一种gis断路器执行机构的监测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021889A (zh) * | 2017-12-05 | 2018-05-11 | 重庆邮电大学 | 一种基于姿态外形和运动信息的双通道红外行为识别方法 |
| CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN112766220A (zh) * | 2021-02-01 | 2021-05-07 | 西南大学 | 双通道微表情识别方法、系统、存储介质、计算机设备 |
| CN113159082A (zh) * | 2020-09-30 | 2021-07-23 | 北京理工大学 | 一种增量式学习目标检测网络模型构建及权重更新方法 |
| CN113347605A (zh) * | 2021-06-23 | 2021-09-03 | 重庆大学 | 车辆信息传输网络组建方法、网络及bsm信息分发方法 |
| CN114048681A (zh) * | 2021-11-16 | 2022-02-15 | 江苏科技大学 | 基于自选择神经网络的doa估计方法、系统、存储介质、设备 |
| CN115034254A (zh) * | 2022-03-22 | 2022-09-09 | 四川轻化工大学 | 基于hht频带能量特征和卷积神经网络的核素识别方法 |
| CN115587337A (zh) * | 2022-12-14 | 2023-01-10 | 中国汽车技术研究中心有限公司 | 车门异响识别方法、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10332639B2 (en) * | 2017-05-02 | 2019-06-25 | James Paul Smurro | Cognitive collaboration with neurosynaptic imaging networks, augmented medical intelligence and cybernetic workflow streams |
-
2022
- 2022-11-10 CN CN202211408395.XA patent/CN115758212B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021889A (zh) * | 2017-12-05 | 2018-05-11 | 重庆邮电大学 | 一种基于姿态外形和运动信息的双通道红外行为识别方法 |
| CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN113159082A (zh) * | 2020-09-30 | 2021-07-23 | 北京理工大学 | 一种增量式学习目标检测网络模型构建及权重更新方法 |
| CN112766220A (zh) * | 2021-02-01 | 2021-05-07 | 西南大学 | 双通道微表情识别方法、系统、存储介质、计算机设备 |
| CN113347605A (zh) * | 2021-06-23 | 2021-09-03 | 重庆大学 | 车辆信息传输网络组建方法、网络及bsm信息分发方法 |
| CN114048681A (zh) * | 2021-11-16 | 2022-02-15 | 江苏科技大学 | 基于自选择神经网络的doa估计方法、系统、存储介质、设备 |
| CN115034254A (zh) * | 2022-03-22 | 2022-09-09 | 四川轻化工大学 | 基于hht频带能量特征和卷积神经网络的核素识别方法 |
| CN115587337A (zh) * | 2022-12-14 | 2023-01-10 | 中国汽车技术研究中心有限公司 | 车门异响识别方法、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 信号分解与融合神经网络的金融数据预测研究;金丰;邵清;;小型微型计算机系统(第06期);全文 * |
| 基于多层次深度学习网络的行人重识别;吴绍君;高玲;李强;;山东师范大学学报(自然科学版)(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115758212A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
| CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
| CN111649779B (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
| CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
| CN115014789A (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
| CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| Wang et al. | The methodological pitfall of dataset-driven research on deep learning: An IoT example | |
| CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
| CN114692694B (zh) | 一种基于特征融合和集成聚类的设备故障诊断方法 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |